人工智能的發(fā)展歷程與研究初探

姜國睿 陳暉 王姝歆

摘要：人工智能是21世紀三大尖端技術之一，其發(fā)展對人類進步具有深遠影響。回顧人工智能的發(fā)展歷程和標志性事件的時間點，文章從哲學、技術和應用領域三個方面，分析比較了人工智能三個研究學派的特點，探討了人工智能目前的研究熱點，并對其應用領域進行了概括和展望。該研究有助于人工智能領域的初學者和愛好者了解人工智能知識，為其進一步開展人工智能研究提供參考。

關鍵詞：人工智能;發(fā)展歷程;研究學派;研究熱點

中圖分類號：TP18

文獻標識碼：A

文章編號：1006-8228（2020）09-07-04

Discussion on the development history and research hotspots of artificial intelligence

Jiang Guorui1， Chen Hui2， Wang Shuxin3

（1. Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu 210023， China; 2. Suzhou Qingyan Bohao limitied company;3. Nanjing University of Aeronautics and Astronautics）

Abstract： Artificial intelligence is one of the three cutting-edge technologies in the 2lst century its development has a profoundimpact on human progress. Reviewing the development process of artificial intelligence and the time point of landmark events. thispaper analyzes and compares the characteristics of three study schools of artificial intelligence from three aspects of philosophy，technology and application fields. discusses the current research hotspots of artificial intelligence， and summarizes and prospects itsapplication fields. This discussion will help beginners and enthusiasts in the field of artificial intelligence to understand theknowledge of artificial intelligence， and provide them with a reference to further research on artificial intelligence.

Key words： artificial intelligence; development history; study schools; research hotspot

0引言

人工智能是由計算機科學、控制論、信息論、語言學、神經(jīng)生理學、心理學、語言學、統(tǒng)計學、數(shù)學和哲學等多學科交叉融合進而發(fā)展起來的一門綜合性前沿學科，其發(fā)展對人類進步具有深遠影響，與基因過程、納米科學并列為21世紀的三大尖端技術。人工智能在20世紀中葉誕生，其探索的過程經(jīng)歷了多次的挫折與掙扎，繁榮與低谷。隨著近年來云計算、大數(shù)據(jù)和互聯(lián)網(wǎng)的快速發(fā)展，人工智能也迅速發(fā)展，不斷誕生新的理論和技術。

1發(fā)展歷程

人工智能的發(fā)展可以分為四個階段：萌芽階段、形成階段、發(fā)展階段和成熟階段，具體標志性事件和關鍵時間點如圖1所示。

1.1萌芽階段

20世紀40年代到50年代，人工智能處于萌芽階段。由于四十年代計算機的出現(xiàn)，人類開始探索用計算機代替或擴展人類的部分腦力勞動。1949年，Donald Hebb[1]首次提出基于神經(jīng)心理學的人工神經(jīng)網(wǎng)絡概念。1950年，Alan Turing[2]（阿蘭·圖靈，被譽為“計算機之父”）創(chuàng)造了圖靈測試來判定計算機是否智能。Samuel Arthur[3]”（亞瑟·塞繆爾，被譽為“機器學習之父”）開發(fā)了一個跳棋程序。

1.2形成階段

20世紀50年代至60年代，人工智能處于形成階段。1956年，人工智能的概念開始出現(xiàn)，源自于美國達特茅斯學院召開的夏季言談會。當時，一批數(shù)學家、信息學家、心理學家、神經(jīng)生理學家、計算機科學家聚在一起，探討用機器來模仿人類智能并提出了“人工智能”的概念。此后，人工智能的研究集中在數(shù)學和自然語言領域。例如，1957年，F(xiàn)rank Rosenblatt[4]設計出計算機神經(jīng)網(wǎng)絡一感知機數(shù)學模型;1959年，Oliver Selfridge[5]推出字符識別程序;1965年，Roberts[6]編制出可以分辨積木三維構造的程序。1969年第一屆國際人工智能聯(lián)合會議的召開，標志著人工智能得到了國際上的認可。

1.3發(fā)展階段

20世紀70年代到90年代早期，人工智能進入發(fā)展階段。70年代，人工智能從理論走向應用，知識工程和專家系統(tǒng)成為主流。例如，1975年，斯坦福大學[7]推出基于知識的科學推理程序Meta-DENDRAL;1974年，Paul Werbos[8]提出反向傳播法BP算法（BackPropagation，BP）;1977年，Edward Albert Feigenbaum提出知識工程的概念。1979年美國人工智能聯(lián)合會（ American Association for Artificial Intelligence）成立。

80年代，機器學習成為人工智能領域的研究熱點。1980年，美國召開的第一屆機器學習國際研討會，標志著機器學習的興起。自此，機器學習理論蓬勃發(fā)展：1981年Kohen[9]提出了自組織映射神經(jīng)網(wǎng)絡;Werbos[10]提出多層感知器;1982年John Hopfield[11]提出了模擬人腦的Hopfield循環(huán)神經(jīng)網(wǎng)絡;1985年Hinton等[12]提出了玻爾茲曼機;1986年Hinton等[13]提出反向傳播BP算法，Ross Quinlan[14]提出決策樹算法，Rumelhart等[15]提出MLP與BP訓練相結合方法;1995年Vladmir Vapnik等[16]提出支持向量機算法;1997年Freund等[17]提出Adaboost算法。機器學習理論研究獲得豐碩的成果，1997年IBM深藍在國際象棋中第一次擊敗人類世界冠軍卡斯帕羅夫，布魯克斯（Brooks）[18]推出六足行走機器人，能夠在無思考和無規(guī)則情況下跨越障礙。

1.4成熟階段

20世紀90年代末期至今，人工智能進入成熟階段。90年代末，深度學習研究興起，1998年Y.LeCun[19]提出了卷積神經(jīng)網(wǎng)絡（Convoluted Neural Network，CNN）是深度學習的代表算法之一。21世紀，人工智能的發(fā)展日益成熟，機器學習和深度學習成為人工智能研究主流，并在各行業(yè)得到了廣泛應用。2001年，William Cleveland[20]提出數(shù)據(jù)挖掘的概念。2006年Hinton等[21]提出了深度學習的概念。2015年《Nature》雜志推出了Yann LeCun等[22]深度學習的綜述，標志著深度學習被學術界真正接受。深度學習理論研究獲得豐碩的成果，2016年谷歌開發(fā)出AlphaGo程序，其圍棋水平已經(jīng)能夠超過人類的頂尖水平。

2研究學派

人工智能研究學派大致分為三類：符號主義（Symbolism）、聯(lián)結主義（Connectionism）和行為主義（Behaviorism）。符號主義又稱邏輯主義（logicism）、心理學派（psychologism）或計算機學派（computerism），著眼于程序的邏輯結構、符號操作系統(tǒng)以及編程語言，主要研究領域包括：專家系統(tǒng)和知識工程。聯(lián)結主義又稱仿生學派（bionicsism）或生理學派（physiologism）[23]，著眼于對大腦神經(jīng)系統(tǒng)工作方式的探索和模擬，主要研究領域包括機器學習和深度學習。行為主義又稱為進化主義（evolutionism）或控制論學派（cybernetic-sism）[24]，著眼于控制論及感知一動作型控制系統(tǒng)研究，主要研究領域包括智能控制和智能機器人。

許多學者對人工智能三大研究學派進行了分析，這些研究大多基于哲學角度[25-26]。本文總結歸納了三大研究學派在哲學、技術和應用領域的特點，如表1所示。從技術和應用領域的角度，符號主義擅長知識推理，知識工程和專家系統(tǒng)具有更高的精確性;聯(lián)結主義擅長數(shù)學建模，機器學習和深度學習具有更好的靈活性;行為主義擅長感知控制，機器人和智能控制具有更多的經(jīng)驗性和應用性。

3研究熱點

3.1專家系統(tǒng)

專家系統(tǒng)是依靠人類專家已有的大量知識和經(jīng)驗建立起來的程序系統(tǒng)，能自主推理與判斷，用以高效地解決復雜的實際問題。專家系統(tǒng)通常包括知識庫和推理機。其中，知識庫包含各種專業(yè)知識和相關領域專家的理論知識及經(jīng)驗判斷;推理機通過靈活運用知識庫中知識，對問題求解。專家系統(tǒng)可應用于解釋、預測、診斷、規(guī)劃、監(jiān)視、控制、教育等領域。

3.2機器學習

機器學習是人工智能的核心，是用計算機來模擬人類的學習活動、獲取知識和技能，對真實世界中的事件做出決策和預測。機器學習主要包括機械學習、示教學習、類比學習和實例學習四種策略。機器學習常見算法包括：決策樹，隨機森林算法，邏輯回歸，SVM分類器，Adaboost算法，神經(jīng)網(wǎng)絡，聚類算法等。機器學習的應用領域包括專家系統(tǒng)、自然語言理解、模式識別、計算機視覺、數(shù)據(jù)挖掘、智能機器人等。

3.3深度學習

深度學習是機器學習研究中的一個新領域，是當今人工智能大爆炸的核心驅動。深度學習模擬人腦多層神經(jīng)網(wǎng)絡，是一種特殊的機器學習。相比于其他機器學習方法，深度學習具有強大的特征提取能力、良好的遷移和多層學習能力，在圖像、語音、文本識別和推理、分析、判斷方面都有顯著優(yōu)勢。深度學習的主要應用領域包括圖像識別，語音識別、自然語言處理、自動駕駛汽車、醫(yī)療和各種決策預測等。

3.4機器視覺

機器視覺是人工智能學科中發(fā)展最快速的分支和前沿研究領域，目的是用機器代替人眼，完成人眼不方便或者難以完成的工作。機器視覺系統(tǒng)一般是通過圖像攝取裝置采集圖像，經(jīng)過圖像處理，對研究對象信息進行判別，并將判斷結果輸出給執(zhí)行機構。目前，機器視覺能夠實現(xiàn)物體定位、特征檢測、缺陷判斷、目標識別、計數(shù)和運動跟蹤等功能，主要應用領域包括自動化生產(chǎn)線中的工況監(jiān)視、成品檢驗和質量控制等。

3.5數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是機器學習和深度學習的基礎。數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中挖掘出有價值的知識，然后對知識進行比較，總結出原理和法則。數(shù)據(jù)挖掘的主要方法概括為：預測模型方法、數(shù)據(jù)分割方法、關聯(lián)分析法和偏離分析法，其中預測模型方法最為復雜，涉及到機器學習的大量算法。與機器學習自動從過往經(jīng)驗中學習新知識不同，數(shù)據(jù)挖掘是有目的地從現(xiàn)有大數(shù)據(jù)中提取數(shù)據(jù)的模式和模型，得到重要信息。數(shù)據(jù)挖掘的主要應用領域包括多媒體、計算機網(wǎng)絡、計算機視覺和自然語言處理等。

4結束語

本文首先綜述人工智能的發(fā)展歷程，繪制了標志性事件時間發(fā)展線，由此使得人工智能初學者和愛好者能快速清晰地了解人工智能在理論、技術和應用領域的發(fā)展階段和重要突破。其次從哲學、技術和應用角度，分析比較了人工智能三大研究學派各自特點，有助于未來的人工智能研究者明確以后的研究方向。最后探討了目前人工智能的研究熱點，并對其應用領域進行了展望。總之，目前的人工智能還屬于弱人工智能，距離真正能自我學習和進化的人工智能還很遙遠，其研究、發(fā)展和應用仍然任重而道遠。

參考文獻（References）：

[1]M.Peter.A Brief History of the Hebbian Learning Rule[J].Canadian Psychology/Psychologie Canadienne， 2003.44（1）：5-9

[2]A.M. Turing. Computing Machinery and Intelligence[M].Oxford University Press on behalf of the Mind Associ-ation.1950.

[3]Arthur， SamueI.Some Studies in Machine Learning Usingthe Game of Checkers[J]. IBM Journal，1959.3（3）：210-229

[4]Rosenblatt， Frank. The perceptron：a probabilistic modelfor information storage and organization in the brain[J].Psychological review， 1958.65（6）： 386

[5]G. Selfridge. Pandemonium：A paradigm for learning[C]. InSymposium on the mechanization of thought processes，London.1959.

[6]Roberts L G.Machine perception of three-dimensionalsolids[J]. In

Optical and Electro-optical InformationProcessing.Cambridge： MIT Press，1965：159-197.

[7]Edward A.Feigenbaum. Bruce G Buchanan. DENDRALand Meta-DENDRAL： roots of knowledge systems andexpert system applications[J]， Artificial Intelligence，1993.59（1-2）：233-240

[8] Werbos P.J. Beyond Regression： New Tools for Predictionand Analysis in the Behavioral Sciences[D]. DoctoralDissertation， Harvard University， Cambridge，1974.

[9]楊占華，楊燕.SOM神經(jīng)網(wǎng)絡算法的研究與進展[J].計算機工程 ，2006.16：201-202.

[10] p. J. Werbos. Applications of advances in nonlinearsensitivity analysis[C].In Proceedings of the 10th IFIPConference，31.8-4.9， NYC，1981：762-770.

[11] J J Hopfield. Neural networks and physical systems withemergent collective computational abilities[C]. Pro-ceedings of the National Academy of Sciences of theUSA，1982.79（8）：2554-2558.

[12] Ackley H， Hinton E， Sejnowski J. ALearning Algorithmfor Boltzmann Machines[J]. Cognitive Science， 1985：147-169.

[13] D. E. Rumelhart， G. E. Hinton， R. J. Williams. Learningrepresentations by back-propagating errors[J]. Nature，1986.323（6088）：533-536.

[14] Quinlan， J. Ross. Induction of decision trees[J]. Machinelearning，1986：81-106.

[15] Rumelhart， David E.， Geoffrey E. Hinton.et al. Learninginternal representations by error propagation[M].CALIFORNIA UNIV SAN DIEGO LA JOLLA INSTFOR COGNITIVE SCIENCE， 1985，Chapter8.

[16] Cortes， Corinna， Vladimir Vapnik. Support-vectornetworks[J]. Machine learning1995.20（3）：273-297.

[17] Freund， Yoav， Robert Schapire，et aL A short introductionto boosting[J]. Journal-Japanese Society For ArtificialIntelligence， 1999. 14（1612）： 771-780

[18]袁瑩.試論布魯克斯的無表征人工智能模型 [J].山西師大學報（社會科學版），2016.43（3）：109-112.

[19] Gu， J.， Wang， Z.， Kuen， J.， et al. Recent advances inconvolutional neural networks[J]. Pattern Recognition，2018.77：354-377.

[20] Cleveland W S. Data Science： an action plan forexpanding the technical areas of the field of stastics[J].International Statistical Review/Revue Internationalede Statistique，2001.69（1）：21-26.

[21] G. E. Hinton， R. R. Salakhutdinov. Reducing theDimensionality of Data with Neural Networks[J].Science，2006.313（5786）： 504-507.

[22] Yann LeCun. Yoshua Bengio， Geoffrey Hinton. Deeplearning[J]. Nature.2015.521：436-444.

[23]顧險峰.人工智能中的聯(lián)結主義和符號主義[J].科技導報，2016.34（7）：20-25

[24]徐心和，么健石，有關行為主義人工智能研究綜述[J].控制與決策，2004.19（3）：241-246

[25]王廣贊，易顯飛.人工智能研究的三大流派：比輕與啟示[J].長沙理工大學學報（社會科學版），2018.33（4）：1-6

[26]成素梅，人工智能研究的范式轉換及其發(fā)展前景[J].哲學動態(tài)，2017.12：15-21

收稿日期：2020-05-11

作者簡介：姜國睿（1999-），男，江蘇連云港人，本科生，主要研究方向：人工智能，機器學習，機器視覺。

通訊作者：王姝歆（1969-），女，江蘇徐州人，博士，副教授，碩導，主要研究方向：機器人，智能制造，機器視覺。